Flink SQL Client综合实战

Posted 2022-04-01 程序员欣宸

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了Flink SQL Client综合实战相关的知识，希望对你有一定的参考价值。

欢迎访问我的GitHub

本篇概览

在《Flink SQL Client初探》一文中，我们体验了Flink SQL Client的基本功能，今天来通过实战更深入学习和体验Flink SQL；

实战内容

本次实战主要是通过Flink SQL Client消费kafka的实时消息，再用各种SQL操作对数据进行查询统计，内容汇总如下：

DDL创建Kafka表
窗口统计；
数据写入ElasticSearch
联表操作
版本信息
Flink：1.10.0
Flink所在操作系统：CentOS Linux release 7.7.1908
JDK：1.8.0_211
Kafka：2.4.0（scala：2.12）
mysql：5.7.29
数据源准备
本次实战用的数据，来源是阿里云天池公开数据集的一份淘宝用户行为数据集，获取方式请参考《准备数据集用于flink学习》
获取到数据集文件后转成kafka消息发出，这样我们使用Flink SQL时就按照实时消费kafka消息的方式来操作，具体的操作方式请参考《将CSV的数据发送到kafka》

上述操作完成后，一百零四万条淘宝用户行为数据就会通过kafka消息顺序发出，咱们的实战就有不间断实时数据可用了，消息内容如下：

"user_id":1004080,"item_id":2258662,"category_id":79451,"behavior":"pv","ts":"2017-11-24T23:47:47Z"
"user_id":100814,"item_id":5071478,"category_id":1107469,"behavior":"pv","ts":"2017-11-24T23:47:47Z"
"user_id":114321,"item_id":4306269,"category_id":4756105,"behavior":"pv","ts":"2017-11-24T23:47:48Z"

上述消息中每个字段的含义如下表：

列名称	说明
用户ID	整数类型，序列化后的用户ID
商品ID	整数类型，序列化后的商品ID
商品类目ID	整数类型，序列化后的商品所属类目ID
行为类型	字符串，枚举类型，包括(pv, buy, cart, fav)
时间戳	行为发生的时间戳
时间字符串	根据时间戳字段生成的时间字符串

jar准备

实战过程中要用到下面这五个jar文件：

flink-jdbc_2.11-1.10.0.jar
flink-json-1.10.0.jar
flink-sql-connector-elasticsearch6_2.11-1.10.0.jar
flink-sql-connector-kafka_2.11-1.10.0.jar
mysql-connector-java-5.1.48.jar

我已将这些文件打包上传到GitHub，下载地址：https://raw.githubusercontent.com/zq2599/blog_download_files/master/files/sql_lib.zip

请在flink安装目录下新建文件夹==sql_lib==，然后将这五个jar文件放进去；

Elasticsearch准备

如果您装了docker和docker-compose，那么下面的命令可以快速部署elasticsearch和head工具：

wget https://raw.githubusercontent.com/zq2599/blog_demos/master/elasticsearch_docker_compose/docker-compose.yml && \\
docker-compose up -d

准备完毕，开始操作吧；

DDL创建Kafka表

进入flink目录，启动flink：==bin/start-cluster.sh==
启动Flink SQL Client：==bin/sql-client.sh embedded -l sql_lib==
启动成功显示如下：

执行以下命令即可创建kafka表，请按照自己的信息调整参数：

CREATE TABLE user_behavior (
user_id BIGINT,
item_id BIGINT,
category_id BIGINT,
behavior STRING,
ts TIMESTAMP(3),
proctime as PROCTIME(),   -- 处理时间列
WATERMARK FOR ts as ts - INTERVAL 5 SECOND  -- 在ts上定义watermark，ts成为事件时间列
) WITH (
connector.type = kafka,  -- kafka connector
connector.version = universal,  -- universal 支持 0.11 以上的版本
connector.topic = user_behavior,  -- kafka topic
connector.startup-mode = earliest-offset,  -- 从起始 offset 开始读取
connector.properties.zookeeper.connect = 192.168.50.43:2181,  -- zk 地址
connector.properties.bootstrap.servers = 192.168.50.43:9092,  -- broker 地址
format.type = json  -- 数据源格式为 json
);

执行==SELECT * FROM user_behavior;==看看原始数据，如果消息正常应该和下图类似：

窗口统计

下面的SQL是以每十分钟为窗口，统计每个窗口内的总浏览数，TUMBLE_START返回的数据格式是timestamp，这里再调用DATE_FORMAT函数将其格式化成了字符串：

SELECT DATE_FORMAT(TUMBLE_START(ts, INTERVAL 10 MINUTE), yyyy-MM-dd hh:mm:ss), 
DATE_FORMAT(TUMBLE_END(ts, INTERVAL 10 MINUTE), yyyy-MM-dd hh:mm:ss), 
COUNT(*)
FROM user_behavior
WHERE behavior = pv
GROUP BY TUMBLE(ts, INTERVAL 10 MINUTE);

得到数据如下所示：

数据写入ElasticSearch
确保elasticsearch已部署好；

执行以下语句即可创建es表，请按照您自己的es信息调整下面的参数：

CREATE TABLE pv_per_minute ( 
start_time STRING,
end_time STRING,
pv_cnt BIGINT
) WITH (
connector.type = elasticsearch, -- 类型
connector.version = 6,  -- elasticsearch版本
connector.hosts = http://192.168.133.173:9200,  -- elasticsearch地址
connector.index = pv_per_minute,  -- 索引名，相当于数据库表名
connector.document-type = user_behavior, -- type，相当于数据库库名
connector.bulk-flush.max-actions = 1,  -- 每条数据都刷新
format.type = json,  -- 输出数据格式json
update-mode = append
);

执行以下语句，就会将每分钟的pv总数写入es的pv_per_minute索引：

INSERT INTO pv_per_minute
SELECT DATE_FORMAT(TUMBLE_START(ts, INTERVAL 1 MINUTE), yyyy-MM-dd hh:mm:ss) AS start_time, 
DATE_FORMAT(TUMBLE_END(ts, INTERVAL 1 MINUTE), yyyy-MM-dd hh:mm:ss) AS end_time, 
COUNT(*) AS pv_cnt
FROM user_behavior
WHERE behavior = pv
GROUP BY TUMBLE(ts, INTERVAL 1 MINUTE);

用es-head查看，发现数据已成功写入：

联表操作
当前user_behavior表的category_id表示商品类目，例如==11120==表示计算机书籍，==61626==表示牛仔裤，本次实战的数据集中，这样的类目共有五千多种；
如果我们将这五千多种类目分成6个大类，例如==11120==属于教育类，==61626==属于服装类，那么应该有个大类和类目的关系表；

这个大类和类目的关系表在MySQL创建，表名叫==category_info==，建表语句如下：

CREATE TABLE `category_info`(
`id` int(11) unsigned NOT NULL AUTO_INCREMENT,
`parent_id` bigint ,
`category_id` bigint ,
PRIMARY KEY ( `id` )
) ENGINE=InnoDB AUTO_INCREMENT=5 DEFAULT CHARSET=utf8 COLLATE=utf8_bin;

表==category_info==所有数据来自对原始数据中==category_id==字段的提取，并且随机将它们划分为6个大类，该表的数据请在我的GitHub下载：https://raw.githubusercontent.com/zq2599/blog_demos/master/files/category_info.sql
请在MySQL上建表==category_info==，并将上述数据全部写进去；

在Flink SQL Client执行以下语句创建这个维表，mysql信息请按您自己配置调整：

CREATE TABLE category_info (
parent_id BIGINT, -- 商品大类
category_id BIGINT  -- 商品详细类目
) WITH (
connector.type = jdbc,
connector.url = jdbc:mysql://192.168.50.43:3306/flinkdemo,
connector.table = category_info,
connector.driver = com.mysql.jdbc.Driver,
connector.username = root,
connector.password = 123456,
connector.lookup.cache.max-rows = 5000,
connector.lookup.cache.ttl = 10min
);

尝试联表查询：

SELECT U.user_id, U.item_id, U.behavior, C.parent_id, C.category_id
FROM user_behavior AS U LEFT JOIN category_info FOR SYSTEM_TIME AS OF U.proctime AS C
ON U.category_id = C.category_id;

如下图，联表查询成功，每条记录都能对应大类：

再试试联表统计，每个大类的总浏览量：

SELECT C.parent_id, COUNT(*) AS pv_count
FROM user_behavior AS U LEFT JOIN category_info FOR SYSTEM_TIME AS OF U.proctime AS C
ON U.category_id = C.category_id
WHERE behavior = pv
GROUP BY C.parent_id;

如下图，数据是动态更新的：

执行以下语句，可以在统计时将大类ID转成中文名：

SELECT CASE C.parent_id
WHEN 1 THEN 服饰鞋包
WHEN 2 THEN 家装家饰
WHEN 3 THEN 家电
WHEN 4 THEN 美妆
WHEN 5 THEN 母婴
WHEN 6 THEN 3C数码
ELSE 其他
END AS category_name,
COUNT(*) AS pv_count
FROM user_behavior AS U LEFT JOIN category_info FOR SYSTEM_TIME AS OF U.proctime AS C
ON U.category_id = C.category_id
WHERE behavior = pv
GROUP BY C.parent_id;